讓我們微調 OpenAI gpt-oss（100% 本地）:

為您的代理人建立類似人類的記憶（開源）！ 每個代理系統和RAG系統在實時知識更新和快速數據檢索方面都面臨挑戰。 Zep通過其不斷演變和時間感知的知識圖譜解決了這些問題。 像人類一樣，Zep將代理人的記憶組織成情節，從這些情節中提取實體及其關係，並將其存儲在知識圖譜中： （在閱讀時請參考下面的圖片） 1) 情節子圖：捕捉帶有時間戳的原始數據，保留每個細節以便於歷史查詢。 2) 語義實體子圖：提取實體（例如，“Alice”，“Google”）和事實（“Alice在Google工作”）。所有內容都有版本控制，因此過時的信息會被替換。 3) 社區子圖：將相關實體分組到集群中，並提供摘要以便於更快的檢索。 與MemGPT等工具相比，Zep的準確性提高了高達18.5%，延遲降低了90%。 它是完全開源的！

企業在超過 100 個數據來源上構建 RAG，而不是僅僅一個！ - 微軟在 M365 產品中提供它。 - 谷歌在其 Vertex AI Search 中提供它。 - AWS 在其 Amazon Q Business 中提供它。 讓我們在 200 多個來源上構建一個 MCP 驅動的 RAG（100% 本地）：

12份針對AI工程師的MCP、RAG和代理的備忘單（附帶視覺效果）:

以 3 個步驟評估像 ChatGPT 這樣的對話 LLM 應用程式（開源）。 與單回合任務不同，對話是通過多條消息展開的。 這意味著 LLM 的行為必須在多回合中保持一致、合規且具上下文意識，而不僅僅是在一次性輸出中準確。 在 DeepEval 中，您可以僅用 3 個步驟做到這一點： 1) 將您的多回合測試案例定義為 ConversationalTestCase。 2) 用簡單的英語定義一個指標，使用 ConversationalGEval。 3) 執行評估。 完成！ 這將提供詳細的分析，顯示哪些對話通過，哪些失敗，以及分數分佈。 此外，您還可以獲得完整的用戶界面來檢查單獨的回合。 這裡有兩個好處： - 整個流程非常簡單設置，只需幾行代碼。 - DeepEval 是 100% 開源的，擁有約 10,000 顆星，您可以輕鬆自我託管，讓您的數據保持在您想要的地方。 在評論中找到倉庫！

我建立了一個 RAG 系統，可以在 <0.03 秒內查詢 3600 萬個以上的向量。 所使用的技術使 RAG 的記憶體效率提高了 32 倍！ 請查看下面的詳細代碼分解：

- Google 地圖使用圖形機器學習來預測 ETA - Netflix 在推薦中使用圖形機器學習 (GNN) - Spotify 在推薦中使用圖形機器學習 (HGNNs) - Pinterest 在推薦中使用圖形機器學習 (PingSage) 這裡有 6 種必知的圖形特徵工程方法（附代碼）：

我已經使用 Jupyter Notebooks 超過 9 年了。 這裡有 5 個我發現的隱藏功能，大多數用戶並不知道：

您的 AI 代理缺少後端！ Motia 是一個統一的系統，其中 API、後台作業、事件和代理只是即插即用步驟。 - 同一工作流程中的 Python、JS 和 TypeScript - 內置可觀測性 - 一鍵部署 100% 開源。

一個讓任何人成為資料庫工程師的 MCP 伺服器（開源）！ @MongoDB 剛剛發布了一個 MCP 伺服器，讓像 Claude、Cursor 和 GitHub Copilot 這樣的 AI 工具可以直接與 MongoDB 部署進行對話。 這意味著任何人（技術或非技術）現在都可以說： - “顯示我最活躍的用戶” - “創建一個具有只讀訪問權限的新資料庫用戶” - “我的訂單集合的架構是什麼？” ...然後讓代理處理其餘的。 不需要手動輸入查詢或記住語法。 這個 MCP 伺服器適用於： - Atlas - 社區版 - 企業高級版 現在只需要英語就能撰寫生產級查詢。 100% 開源！下一條推文中有鏈接。 感謝 #MongoDB 團隊今天的合作！